针对滚动轴承目标域数据中附加故障状态样本影响故障诊断精度的问题，提出了一种基于深度迁移学习和自适应加权的滚动轴承故障诊断方法。首先，建立特征提取模块，通过深度映射将轴承样本映射到高维的特征空间。其次，利用转移学习的思想设计了加权域鉴别器，对样本进行自适应加权。通过特征空间中的对抗训练，增加目标域和源域之间公共健康状态样本的域相似性，抑制目标域附加故障状态样本和源域样本之间的域相似性增强。然后，根据目标域和源域样本之间的相似性，设置阈值，将目标域额外的故障状态样本标记为未知故障。最后，将源域故障诊断知识转化为目标域常见健康状态样本的故障识别。利用齿轮箱轴承数据、凯斯西储大学滚动轴承数据和机车轮对轴承数据对该方法进行了验证。结果表明，该方法在三个数据集上的诊断准确率均在89%以上，而比较法的诊断准确率均在80%以下，表明该方法可以克服附加故障状态样本的影响，有效地实现滚动轴承故障诊断。